少量データで軽量な機械学習の手法について #devsumi / Developers Summit 2020

by ShingoAkiyoshi

Slide 1

Slide 1 text

少量データで軽量な機械学習の⼿法について株式会社QuantumCore 代表取締役CEO 秋吉信吾

Slide 2

Slide 2 text

登壇者紹介秋吉信吾代表取締役 CEO ⼤学院で⾃然⾔語処理の研究 2010年エキサイト株式会社に⼊社新規・既存サービスの施策検討・開発⾃然⾔語処理を活⽤した新規サービスの開発検索エンジン導⼊プロジェクトなどを担当レコメンドシステムの開発 2012年ごろ独学で深層学習を学ぶ 2013年 Mistletoe株式会社に⼊社⾳声認識、画像認識、対話エージェント等のR&D担当投資先の技術⾯のコンサルティングや事業開発まで多岐 2018年当社設⽴経営戦略及び研究部⾨の統括全PoCプロジェクトに横串で監修 2

Slide 3

Slide 3 text

サマリー︓企業情報社名本社代表者設⽴資本⾦業務内容 3 株式会社QuantumCore 東京都品川区⻄五反⽥2-14-13 秋吉信吾 2018年4⽉24⽇ 197,500,000円(資本余剰⾦含む) リザーバコンピューティングを活⽤した次世代時系列処理基盤技術の開発・提供と導⼊⽀援

Slide 4

Slide 4 text

サマリー︓バリュー 4 「少量データ」で「リアルタイム学習」を「⾼精度」に実現 • ディープラーニングを超える性能 • 少量データ・チューニング不要 • 出荷後のマイコンで推論＆学習リザーバコンピューティングの⼒を簡単に

Slide 5

Slide 5 text

サマリー︓特徴 5 • 少ないデータで簡単に時系列処理が可能 • 従来型LSTMの処理より⾼い精度 • 9名の話者分類においてチューニング無しで99.2%の精度を実現簡単かつ⾼精度 • 新鋭のリザーバコンピューティングでリアルタイム学習が可能 • 深層学習とは違う独⾃の⽅法でRNNを実現とにかく速い *話者認識タスクにおけるオープンデータでの⽐較 • ⾼価なGPUなどは不要 • 従量課⾦制APIなどを提供し、マイコンへの移⾏をサポート安価 *マイコン実装の場合で算出業界初リザーバコンピューティングを活⽤した新たな次世代多変量時系列処理(RNN)ソリューション⾼い精度と圧倒的な速さをWebAPIで⼿軽に実現そのままエッジコンピューティングまでカバー 80%減

Slide 6

Slide 6 text

技術監修池上⾼志東京⼤学⼤学院教授 1961年、⻑野県⽣まれ。専⾨は、複雑系・⼈⼯⽣命研究。⼈⼯⽣命 (ALIFE)に新たな境地を切り拓き、研究を世界的に牽引。メディアアーティストとしても知られ、Ars Electronicaやメディア芸術祭で受賞歴がある。著共書に『⼈間と機械のあいだ⼼はどこにあるのか』『動きが⽣命をつくる』『⽣命のサンドイッチ理論』など。⾹取勇⼀はこだて未来⼤学複雑系知能学科准教授東京大学新領域創成科学研究科博士卒 JST ERATO合原複雑数理モデルプロジェクト研究員, JST FIRST合原最先端数理モデルプロジェクト研究員, 理化学研究所創発物性科学研究センター研究員, 東京大学生産技術研究所特任助教などを歴任 IJCNN2019で最優秀論文賞を受賞 6

Slide 7

Slide 7 text

本⽇のアジェンダなぜリザーバコンピューティング︖ ユースケースなど弊社技術のご紹介事例紹介 7

Slide 8

Slide 8 text

なぜリザーバコンピューティング︖

Slide 9

Slide 9 text

市場規模 9 315 100 270 495 3,340 1,030 4,520 5,860 0 2000 4000 6000 系列1 系列2 製造業ヘルスケア⾦融社会インフラ 2015年 2030年予測出典︓富⼠キメラ総研全7業種の合計が2兆円超え 2030年に国内のAI市場は2兆円超え弊社が取り組む領域は⼤きく成⻑億円

Slide 10

Slide 10 text

AI関連の⾊々 l アルゴリズム l 深層学習 lCNN lLSTM l 機械学習アルゴリズム lRandomForest lXGBoost l 要件 l データの種類 l 機械学習を使うべきか 10 想定するべきことがら l フレームワーク l TensorFlow l Chainer l PyTorch l データ l データ戦略 l ビッグデータ

Slide 11

Slide 11 text

データの質と量 l 量の問題 l データ不⾜ l 未取得 l ユーザからの利⽤許諾 11 PoCを阻むデータと質と量の問題 l質の問題 lデータクレンジング l ノイズまみれ lデータの偏り l AとBのクラスは⼗分だが、 Cのデータが不⾜データが整備されていないデータはこれからデータが⾜りないビッグデータがあるつもり(でも使えない)

Slide 12

Slide 12 text

昨今の各社データ関連のプラットフォーム 12 新たな価値創造 IoT端末 IoT端末 IoT端末データプラットフォームセンサA センサB センサC センサフュージョンユーザA ユーザB ユーザC App1 App2 App2 App6 App3 App5

Slide 13

Slide 13 text

本当に必要なデータはそこにありますか︖ 13 ビッグデータ必要なデータが存在 u無駄なデータ取ってませんか︖ u存在し得ないデータではありませんか︖ uユースケース絞ってません︖

Slide 14

Slide 14 text

AI関連技術を使った代表的なプロジェクト 14 特化型モデル画像認識⾳声認識 ü 重⼯業 ü 製造業 ü 物体認識 ü 顔認証 ü ⾳声⼊⼒ ü 声紋認証 ü 異常検知 ü 品質管理 ü ⾃動運転 ü セキュリティ ü キーボード代替 ü スマートスピーカ旧来からの特化型除くと、ほぼビッグデータ案件。 CNNが効く分野特徴量から案件ごとに設計ビッグデータで深層学習その他の領域の実⽤化は︖

Slide 15

Slide 15 text

大規模なデータと膨大な計算機リソースで大規模モデルを構築し、全人類に適用しよう！ 15

Slide 16

Slide 16 text

大規模なデータと膨大な計算機リソースで大規模モデルを構築し、全人類に適用しよう！ 16 そこまでハイカロリではないよね︖

Slide 17

Slide 17 text

ポジショニング 17 ビッグデータパーソナル/少数データ è é ê 処理 ë ì í î ï ð 学習データ分析系 TreasureDataなど深層学習 GAFAなど旧来特化型システム中⼼個社ごとに特化されたモデルビッグデータや既存のコンピューティングで踏み込めない領域がある少数データ × リアルタイム学習

Slide 18

Slide 18 text

ユースケーステーマはキャリブレーション

Slide 19

Slide 19 text

個⼈に特化した⽬覚まし 19 キャリブレーションが必要になる領域４︓５０４︓５５５︓００ → 優しい⾳楽 → 軽やかな⾳楽 → 地獄の⾳楽ダウナー疲れ気味軽やか飲みすぎマンネリコンデションごとのパラメータユーザのコンデション個⼈個⼈パラメータ数多く複雑

Slide 20

Slide 20 text

個⼈に特化した⻭磨きアドバイザ 20 キャリブレーションが必要になる領域アドバイスに必要な推定データユーザのコンデション ü 磨き位置 ü 磨いた回数 ü ⻭の本数 ü ⻭の形状 ü クセ個⼈個⼈1本1本⻭が違う

Slide 21

Slide 21 text

スマホのカーナビアプリ 21 各社カーナビアプリが絶好調ナビ更新不要⼊⼒楽旧⾞も余裕付加機能いっぱい

Slide 22

Slide 22 text

状況に合わせてトンネル内で正確な位置特定 22 加速度センサで⾞体位置を推論トンネル位置の推論に必要なデータコンデション ü ⾛⾏距離 ü 右左のハンドリング ü 運転の癖 ü 気温によるタイヤ空気圧など ü ⾞体の状況 ü 道路状況⼭⼿トンネル(⼤橋JCT)図環境変化などパラメータ数多く複雑

Slide 23

Slide 23 text

アポ先での受付コンシェルジュ 23 声から訪問客の情報を照合応答に必要な推定データ状況 ü 話者の特定 ü 今⽇のスケジュール ü 初訪問または２回⽬か︖

Slide 24

Slide 24 text

⾃動議事録システムや会議⽀援システム 24 ⾳声から話者と内容を推論会議⽀援に必要な推定データ状況 ü 誰が何を話したのかの議事録 ü 今の話題 ü 参加メンバーの事前データは取れない

Slide 25

Slide 25 text

製造現場での異常検知 25 異常検知ができるか︖ 要件状況 ü 製造ラインでの異常検知がしたい ü ⾳や振動から故障を予⾒したい ü データはまだ取ってない ü 異常データは(そんなに起きては困るから)無い ü 環境変化が激しすぎる

Slide 26

Slide 26 text

スマートウォッチによるパーソナルトレーナー 26 ⾃分を追い込んでくれる凄いトレーナーシステム要件状況 ü スマートウォッチの加速度センサで⾃動ロギング ü 筋トレや泳法を判定したい ü 回数も⾃動判定したい ü トレーニングメニューをどんどん追加したい ü 個⼈の成⻑も加味したい ü 癖も変わる

Slide 27

Slide 27 text

ターゲット l 個⼈に合わせる必要がある分野 l ヘルスケア機器 l 会議議事録システム l 環境に合わせる必要がある分野 l 環境変化やセンサ劣化が発⽣する製造業分野での異常検知 l 判断したいものが変わる分野 l トレンドや環境変化を伴う予測(回帰) 27 キャリブレーションが必要になる領域ビッグデータで解決不可能 → 深層学習などでは太⼑打ち出来ない

Slide 28

Slide 28 text

解決策 28 弊社が検証した限り、現状のソフトウェアによる実装でも、わずかな学習データで、⾼速に解くことが可能(課題は後述) ステップ論で、まずはソフトウェア技術で既存のハードウェアでも⼗分優位性ありより特化したハードウェアや物理実装が出てくれば、⼩型化省エネ化が可能パーソナルヘルスケア AIスピーカースマートフォンエッジリザーバを活⽤した時系列処理技術ならば多様なプラットフォームで少量データのリアルタイム学習可能

Slide 29

Slide 29 text

弊社のリザーバーの使い所 29 リザーバーコンピューティングの⾼次元化を活⽤した特徴抽出深層学習などリザバーコンピューティング中間層の更新に学習データと計算量が不要中間層の更新に⼤量の学習データと計算量が必要出⼒層分類器中間層特徴抽出フィルタ猫画像10万データ軽量なRidge回帰など⽔⾯に代表される複雑系⼒学を適応中間層は学習時更新しない

Slide 30

Slide 30 text

機械学習の課題 30 線形分離不可能な課題がある線形分離可能線形分離不可能

Slide 31

Slide 31 text

機械学習の課題 31 ⾼次元化により線形分離可能に線形分離不可能 ︖ ⾼次元化

Slide 32

Slide 32 text

複雑系⼒学とは 32 よく例えられるのは⽔⾯⼊⼒データではなく、波紋を観測して特徴抽出を⾏う。

Slide 33

Slide 33 text

リザーバコンピューティングの特徴 l 複雑系 l およそ秩序とランダムの間の状態 l EchoStateProperty l この原理原則に従うと、複雑系の初期状態に依らず、同⼀の⼊⼒データが⼊⼒された場合、⾼次元空間に同じ部分に射影される。 l ある意味情報のテレポーテーション 33 複雑系を利⽤することで様々な効果リザーバレイヤーリザーバレイヤー同期信号⾼次元データ出⼒⾼次元データ出⼒数百km 離れていても同⼀データが出⼒

Slide 34

Slide 34 text

弊社技術紹介

Slide 35

Slide 35 text

技術紹介 35 ⾃然現象や物体伝達など複雑な問題に対して限定的なセンサーで判別は困難 S1 センサー振動の発⽣源表層を経由する波形空中を経由する波形物体を経由する波形合成された複雑な単⼀波形物体振動のセンシング例我々のターゲットは複雑な時系列問題周辺環境を知る上で重要なデータ

Slide 36

Slide 36 text

技術紹介 36 複雑な時系列データ S1 S1 リザバーレイヤ (学習不要な特徴抽出器) 前処理短い周期パターンを捉える Qore Signal Processor 500〜1000ポイント程度を短期記憶そこで弊社独⾃のテクノロジで解決 Readout (分類 / 回帰など) シンプルな波形に分解リザバーレイヤを⼩さく保つことが可能になり、⾼速な特徴抽出処理が可能信号処理で分割した上、リザバーからの出⼒までのエントロピーを⾒て信号の重み選択圧縮(PCAなど) 例えば、緑と⾚、⻘と⻩の分類超平⾯

Slide 37

Slide 37 text

弊社の実装の特徴リザバー⾃体の特徴 ü ⾼精度な特徴抽出を実現 ü 学習が不要 ü 学習データが不要 ü 短期記憶のため、短めの周期に特異なパターンが現れる場合に得意前処理の特徴 ü ⾃然や物理現象など、複雑な波形を展開可能 ü 物体を伝わる波形を効率的に捉える判定器の特徴 ü ⾃由に組み替え可能 ü 学習処理 / データはこの学習のために必要 ü 組み換え可能な判定器は例えば… 分類、回帰、外れ値前処理・リザバー・判定器の組合せにより、少量データで、リアルタイム学習が可能。また⾃然現象や物体を経由したようなセンシングが得意なアルゴリズム特徴 37

Slide 38

Slide 38 text

実⽤上の課題前処理で１⼊⼒を複数信号に分解するため、複数センサー⼊⼒の場合、リザバーに⼊⼒するデータ数が⼤きくなり、処理速度の制限から実⽤上に課題課題 S2 S1 S1とS2の特徴を含んだ波紋を観測リザバーレイヤ前処理分解分解 S1 S2 情報量削減技術 ü 総当り ü PCA / SVD ü 寄与率 ü エントロピ(相互情報量) ü ⼩型リザバーのアンサンブルエントロピを⾒ることで⾃動的に速度と精度が向上 → ただし、単純な波形では削減は⾒込めず⼊⼒が多⼤リザーバユニット数が超⼤ 38

Slide 39

Slide 39 text

提供⽅法 QoreSDK WebQore EdgeQore QoreSDKを利⽤で動作プラットフォームを問わない活⽤この技術を活⽤したQoreシリーズの提供マイコンへ組み込み WebAPI動作のクラウド 39

Slide 40

Slide 40 text

活⽤例 40 スマートウォッチ画像データ振動データ各種デバイスデータ抽出(他社技術など) 波形データ振動センサ加速度データ推論他社技術泳法判定などモーション判定など寝姿勢判定など波形データや画像から変換した波形データで、幅広く活⽤可能⾻格の動き波形⾻格情報抽出

Slide 41

Slide 41 text

実⽤化までの道のり 2018度取り組み

Slide 42

Slide 42 text

ヘルスケア⼤⼿介護ベッドメーカーの製品に組み込むことで、簡易なキャリブレーションで実⽤的な個別ケアが可能に。 ① 寝姿勢のモニタリング ② 個別ケアの⾒える化センサー情報を元に、寝姿勢をモニタリングし、介護者の負担を軽減。弊社技術を使うことで介護者個別のキャリブレーションに活用可能。 ③ 体調変化の早期発⾒・対応一人ひとりの状態を把握することで、日中・日夜のケアプラン改善に役立てられ、家族へのきめ細かなレポートも可能。個人に合わせたケアが可能になり、また万が一のときの体調変化も機敏に捉え、早期発見〜早めの対応が可能。 42

Slide 43

Slide 43 text

機械制御重機の状態を20もの⼤量センサー情報を元にモニタリング、将来の⾃動操縦研究開発に役⽴てる。 ① ⼤量センサーから重機の状態を推論 ② 業務の効率化従来ディープラーニングなどでは難しかった大量センサーデータから少量データを用い重機の状態を推論。 ③ 重機の⾃動運転作業の見える化による業務改善に加え、重機の音声操作が可能なUIを開発することで、より効率的に業務改善。業務の最適化とセンシング技術向上により、最終的には重機の自動運転を目指す。 43

Slide 44

Slide 44 text

感情分析先進的な⾳声処理により、コールセンターへのお問合せ対応業務の効率化 ① ⾳声から感情変化の⾒える化 ② 感情の推定による業務改善コールセンターへのお問合せの音声データから、お客様の感情の起伏をリアルタイムで可視化することで、適切な対応を促す最終的には感情の推定により、よりハイレベルな顧客対応を可能とするプラットフォームを構築 44

Slide 45

Slide 45 text

⾳声・話者認識話者特定技術を中⼼に、⾳声フィルタ技術の研究をしながら各領域へ展開 ① 字幕システム ② 議事録システム出演者の発言をリアルタイムで字幕化会議内容をリアルタイムで議事録化 ③ VR会議システム会議システムへのエントリを音声で簡略化 ④ 個⼈⽤⾳声認識子供の声や個人のクセなど従来難しかった認識をキャリブレーション Qoreシリーズ話者認識⾳声認識 45

Slide 46

Slide 46 text

（苦しかった案件）ショベル案件解析⽅法台形になってるような波形は解析が難しいあまり多変量になるのも難しくなる 46 <図１：データのサンプリング手法＞⼊⼒変量 40⼊⼒分類数 20ラベル

Slide 47

Slide 47 text

これまでの課題と結論 u⾳声領域は環境ノイズなど不安定要素が多く実⽤化に課題 u多変数より⼀次元の時系列タスクで⼤きな成果現状技術シーズだけではは、下記要因により実⽤化に時間がかかる uエンジニア向けビジネス向け共に、⾮常に難しいなぜうまくいくのかの理解 1. 技術的⽅向性 2. ビジネス上の課題

Slide 48

Slide 48 text

現在の取り組み 48

Slide 49

Slide 49 text

取り組み 49 医療ヘルスケア AIスピーカー介護ベッド作業⼯程の可視化ロボットアーム制御ニオイ検知モーション推定住宅価格の予測異常検知⾳声での話者特定⼼電データで疾患推定振動から姿勢特定センサから状態推定⾳で作業状態推定アームの⾃動制御⾻格から動作推定排泄タイミング推定最適価格の推定様々な業界で累計約14社とPoCの取り組み様々な理由でクラウドに情報をアップロードできない環境の中、少量データから⾼精度なモデルを作成可能

Slide 50

Slide 50 text

取り組みの成果 50 93%の精度 99%の精度 98%の精度 73%の精度⾼精度に予測可能 80%の精度 91%の精度⾼精度に予測可能 94%の精度⾳声での話者特定⼼電データで疾患推定振動から姿勢特定センサから状態推定⾳で作業状態推定アームの⾃動制御⾻格から動作推定排泄タイミング推定最適価格の推定各業界で好成績 ※公開データによる不整脈判定テスト ※9⼈分の公開データによるテスト ※弊社取組による24値分類テスト ※特に注釈が無い限り、全て弊社取組によるテスト異常値が少ない⼯業分野、プライバシー保護でデータが少ないヘルスケア、⼊⼒ソースが限定される分野など

Slide 51

Slide 51 text

⼼電図データの解析解析⼿法 MIT-BIH Arrhythmia Databaseデータの整形を⾏い、学習⽤データを47,738個、評価⽤データを 45,349個抽出した。データには正常拍動（Normal）の⽅が圧倒的に多く、VEBのデータが少なく、学習⽤データに3743個、評価⽤データに3200個となっている。データの不均衡を無くすため、Normalの件数をVEBの件数と同様にするため、ランダムサンプリングによりNormalの件数を削減した。その結果、学習⽤データは7,486個、評価⽤データは6,400個で、それぞれNormalとVEBの件数は同数抽出した。また、精度向上のためにノイズの除去として、25Hzのローパスフィルターによって⾼周波ノイズを取り除き、学習を⾏なった。以上のように抽出した学習⽤データを弊社独⾃の特徴抽出処理を施し特徴量を抽出する。Qoreにその特徴量を学習させたのち、評価⽤データを⽤いてQoreから出⼒される推論結果を評価した。 51

Slide 52

Slide 52 text

⼼電図データの解析実⾏環境と処理時間今回の作業は、ローカルPC環境（CPU: Intel Xeon W-2123 3.6GHz、OS: Ubuntu 18.04.1 LTS ）で実⾏し、QoreのC++モジュールにて処理を⾏なった。学習の処理時間は15秒で、メモリの最⼤使⽤量はデータのロード時に1.7GBで学習時に870MBであった。推論時の処理時間は１件（⼼電図波形2秒分）あたり約 8m秒（全件で約30秒）で、メモリの最⼤使⽤量は1.4MBであった。 52

Slide 53

Slide 53 text

⼼電図データの解析 53 0 正常 1 異常

Slide 54

Slide 54 text

事例︓飲⾷店や⾃動⾞内環境 54 情報ソース推論効果デバイス ü どういう動作をするか︖ ü 性別・年代・体格 ü 離着席の動作 ü 睡眠時姿勢 ü バイタル(脈拍/⾎圧) ü 居眠り検知 ü 会話が盛り上がるか︖ ü 会話に参加している⼈数カメラ⾳声 PoC範囲安全装置 ü 居眠り検出 ü ⼦供の危険⾏動商品開発 ü 適切な⾞内スペース ü コンテンツ開発ユーザへの情報提⽰ ü 適切なBGMや⾳声 ü 観光ガイドのようなもの ü オススメ店舗レコメンド既存データ基盤ユーザーデータ年齢・性別など弊社技術の特に得意とする分野座席上部にデバイスを設置し、ユーザの状態推定

Slide 55

Slide 55 text

飲⾷店や⾃動⾞内環境︓イメージ 55 カーナビ画⾯・客席毎のカメラ推論反映客さんの状態(満腹、⾎圧など)から、コンテンツのレコメンド＆商品開発 6⼈席5⼈着席状態の例⾎圧や脈拍は活動など独⾃スコアに読みかえ近くには⽔族館があります地元のメロンはいかがですか︖ (⼼地よいBGM) (ヒーリングBGM) 右に⾒えますのが富⼠⼭です活動 82% 活動 32% 活動 45% 空腹 82% 空腹 16% 空腹 22% 活動 81% 空席活動 42% 空腹 42% 空腹 32% 活発空腹居眠りぼーっと外を⾒てる推薦 Qoreエンジンサービス提供 ü コンテンツ配信 ü 周辺施設の案内 ü 空腹・バイタル・ネガポジなど利⽤者の状態商品開発 ü 利⽤者が好む機能の搭載 ü 注⽬されるPR作り PoC範囲

Slide 56

Slide 56 text

事例︓⾒守り 56 情報ソース推論効果外に居る時 ü 知らない⼈に声をかけられた (モデルに存在しない⼈物) ü 悲鳴など異常検知 ※VDQoreは話者を特定する技術だが、逆にモデルが判定できない⼈物＝⼀度も話したことない⼈物を特定するのに利⽤ PoC範囲アラーム通知 ü 保護者のスマホへ通知 ü 周辺施設の警備体制向上データベースに存在しないユーザ検知による⾒守り話者特定技術「VDQore」を⽤いて「過去に話しかけられた事がない⼈」を検知・通知⾒守りデバイスからSIM通信 VDQore 既存の⾳声履歴マイコン実装 VD: Voice Detection

Slide 57

Slide 57 text

事例︓保育園 57 情報ソース動画解析効果定点カメラから動画撮影 PoC範囲定点カメラで撮影した動画をモーションで検索モーション特定技術「RMDQore」を⽤いて動作推定し記録し、成⻑を記録画像認識 x RMDQore RMD: Real-time Motion Detection ⼈物と動作判定ダンスピース⼈物と動作でシーン検索タグ付けすみれダンス検索 2019年4⽉3⽇ 2019年8⽉3⽇ 2020年1⽉1⽇ ü 危険検出 ü 指導補助 ü 記録作成 ü 動画検索職員向け保護者向け保護者はお好みのシーンを探し出すことができ、成⻑や「はじめて」の記録を逃さない職員は危険⾏動に対して迅速な対応が望め、また可視化による指導補助も可能

Slide 58

Slide 58 text

事例︓ダイナミックプライシング 58 情報ソース動画解析効果価格情報 PoC範囲簡単にダイナミックプライシングや価格予測が可能 Qoreシリーズのもつ時系列解析の機能をダイナミックプライシング⽤に⾼レイヤーでまとめたDPQoreを適応 DP: Dynamic Pricing ü マンション・住宅の売却価格を予測不動産プライスデータ Price Time u リアルデータ u 推論データ 3 3 2 2 2 u UP u DOWN 12 N G 2 500円 5万円 50円 u 成⽴ u 不成⽴ QoreDP.Regression 任意の先のプライスを予測 QoreDP.Classification 任意のウインドウ幅での上がり幅を予測可能 QoreDP.Deal 商談成⽴のタイミングと可否を予測 ü 飲⾷店・⼩売店舗で利益最⼤化となる価格を予想⼩売 ü 投資や株など⾦融商品の価格予想⾦融

Slide 59

Slide 59 text

ニオイセンサ案件ガスセンサの匂いの減衰波形から排泄判別を⾏う 59 31 6 11 31

Slide 60

Slide 60 text

ロボットアームの物理現象シミュレーション案件提供データロボットアームに取り付けたセンサーからの出⼒データで、空間（座標）情報、反発⼒の⼒の情報を⼀定時間（2ms）毎に計測したもの。検証パターンロボットアームの動かし⽅を下記の３パターンで実施 Ø ⼀定の速度で衝突（constantパターン） Ø 加速させて衝突（accelerateパターン） Ø 衝突直前で減速させて衝突（brakeパターン）それぞれのパターンで１０回試⾏。学習データ16回テストデータ 8回

Slide 61

Slide 61 text

検証⽅針モデルについて床⾯に対して垂直(Z)⽅向のロボットアームの座標の時系列データを⼊⼒データとし、Z⽅向の反発⼒の時間変化を推論する回帰モデル。データの利⽤⽅法各動作パターンそれぞれに対し、７回分の試⾏データを学習データとし、残りの３回分の施⾏データを検証データとして利⽤反発⼒の時間変化 z y x

Slide 62

Slide 62 text

結果（constantパターン）反発⼒の時間変化（⻘線が計測データ、⾚線が推論結果）

Slide 63

Slide 63 text

結果（accelerateパターン）反発⼒の時間変化（⻘線が計測データ、⾚線が推論結果）

Slide 64

Slide 64 text

結果（brakeパターン）反発⼒の時間変化（⻘線が計測データ、⾚線が推論結果）

Slide 65

Slide 65 text

他モデルとの⽐較、まとめ他モデルの結果 LSTMで同様な学習と推論を⾏なったところ、同様な⼒の推定は可能であった。ただ、学習処理時間はローカルPCで約４時間（エポック数:25）であった。まとめ Ø 今回は単純な⼒の推定であったが、少量のデータで正確な⼒の推定が出来た。 Ø 「Qore」においてもLSTMでも同様な結果ではあったが、学習時間が⼤きく異なった。 ü Qore︓0.5秒（WebQore（AWS microインスタンス）での処理時間） ü LSTM︓4時間（ローカルPCでの処理時間）今後の検証案床⾯や物体の材質を変化させたり、さらに少量で精度が出せるか等の検証を⾏う。

Slide 66

Slide 66 text

その他事例リチウムバッテリの劣化予測(参考) 66 メリーランド大学のCALCE(Center for Advanced Life Cycle Engineering) https://calce.umd.edu/data#CS2 4つのリチウムイオン電池の充放電データのうちから、 3種類(#35, 37, 38)を教師データに、 1種類(#36)をテストデータとして時系列解析を実施。

Slide 67

Slide 67 text

Qiita アドベントカレンダー2019 70

Slide 68

Slide 68 text

No content

Slide 69

Slide 69 text

今後扱うセンサーやデバイス

Slide 70

Slide 70 text

新たなセンシングターゲット 73 周波数周波数帯利⽤シーン 1Ghz 30Ghz 100Ghz マイクロ波ミリ波携帯電話 3G/4G [700Mhz 〜2Ghz] 地デジ [500〜700Mhz] 無線LAN [2.4Ghz,5Ghz] GPS [カーナビ] [1.5Ghz] 4K/8K衛星放送 [12Ghz] 後⽅レーダー [24Ghz] 前⽅レーダー [76Ghz, 79Ghz] レーダーの活⽤で画像の弱さをカバー

Slide 71

Slide 71 text

ターゲットデバイス 74 CPU Aシリーズメモリサイズ 1GB〜 CPU Mシリーズメモリサイズ数キロB〜 CPU Rシリーズメモリサイズ数MB〜 CPU GPU メモリサイズ数⼗GB〜 CPU速度はMシリーズでも⼗分充⾜メモリサイズが最低数百キロ、他のアプリケーションは乗らない弊社製品の課題ぜひGPU以外にも選択肢を︕

Slide 72

Slide 72 text

メモリサイズの現状 75 例として、ベッド案件の場合のリザーバユニット数とメモリ使⽤量現実的な製品レベルは、メモリサイズがまだまだ必要。物理リザバーなどの活⽤で活路が出るのではないかと期待。 FPGAへの移植など。

Slide 73

Slide 73 text

最後に

Slide 74

Slide 74 text

リザバーコンピューティングの特性で⼈に寄添うキャリブレーション可能な社会実装 77 ⼈に寄り添う社会実装少量データリアルタイム学習随時キャリブレーション即時利⽤可能どこでも使えるエッジで学習可能

Slide 75

Slide 75 text

まとめ社会実装には、リザバー⾃体の周知が必要汎⽤的なソフトウェア技術で実装する場合、課題は処理速度よりメモリサイズ。M4クラスの数百kbでも若⼲厳しい→物理リザバーに期待ラズパイ・スマホクラスなら余裕︕ 社会実装時の、深層学習に対する利点としては、キャリブレーションし続けるようなユースケースの訴求 78

Slide 76

Slide 76 text

ご清聴ありがとうございました https://qcore.co.jp/ キーワード「クアンタムコア」まずはWebAPI版お試し下さい。